CN105765586A - 用于选择治疗计划的决定支持工具 - Google Patents
用于选择治疗计划的决定支持工具 Download PDFInfo
- Publication number
- CN105765586A CN105765586A CN201480064034.5A CN201480064034A CN105765586A CN 105765586 A CN105765586 A CN 105765586A CN 201480064034 A CN201480064034 A CN 201480064034A CN 105765586 A CN105765586 A CN 105765586A
- Authority
- CN
- China
- Prior art keywords
- treatment
- treatment plan
- patient
- plan
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
患者数据可以用来确定用于不同治疗类型的不同估计函数的输入值。估计函数每个可以用来估计用于相应的治疗的一个或多个结果值。可以使用(多个)结果值来确定质量得分。具有最佳质量得分的第一治疗计划可以被标识,例如,通过显示具有质量得分的治疗计划,其可以与结果值相对应。
Description
相关申请的交叉引用
本申请要求于2013年9月27日提交的美国专利申请号14/040,479的优先权和权益,出于所有目的,其全部公开内容通过引用以其整体并入本文。本申请涉及于2013年9月27日提交的题为“AutomaticCreationAndSelectionofDosePredictionModelsForTreatmentPlans”(代理人案号88389-003100US-871724)的共同拥有的美国专利申请号14/040,468,其公开内容通过引用以其整体并入本文。
技术领域
本公开一般涉及用于治疗肿瘤的治疗计划,并且更特别涉及基于不同治疗的估计模型来选择治疗计划。
背景技术
存在用于治疗肿瘤的多种技术,例如,放射治疗、化学疗法和外科手术,其每个可能涵盖几种技术。例如,放射治疗可以是光子或质子。产生治疗计划可能非常费时。并且,只有一旦治疗计划已经产生,医师才可以标识治疗计划不合适。
当前,医师将基于先前经验来选择治疗计划,例如,使用光子的放射治疗。然后生成光子治疗计划。一旦光子治疗计划已经生成,该岗位就分析治疗计划以确定治疗计划是否满足某些准则(例如,它是否低于某些准则)。在这一点上,医师必须生成用于不同治疗的治疗计划,例如,用质子代替。在这一点上,医师可以在两个治疗计划之间进行选择,或者可能生成用于其它治疗的更多的治疗计划。
作为用于放射治疗的示例,医师可以提供用于计划的某种处方和要求,例如,必须保存腮腺或脊柱,并且靶或癌性组织需要至少六十种灰度(放射单位)。剂量师或物理学家然后花费几个小时来创建用于患者的治疗计划,其中,治疗计划用于选定的治疗类型。剂量师或物理学家尝试通过使用优化算法、手动放置哪个方向有放射行进的场、并且设置一些块以防止放射从某些方向命中关键器官来实现良好计划。只有在这个岗位的所有这些工作都回顾了治疗计划之后,才可能发现放射治疗计划的剂量分布根本不能满足医师已经规定的所有要求(或关键要求)。医师可以决定治疗计划充分、先前选定治疗类型的治疗计划有待进一步完善、或者应当生成不同治疗类型的新治疗计划。
医师能够确定优化后的治疗计划是否大致是能够实现的治疗计划。当优化后的治疗计划低于预期时,可以选择进一步完善。但是,这样的过程不会引导关于是否完善当前治疗类型的治疗计划的医师决定,或生成新治疗类型的治疗计划。只有注意优化不可接受,医师就会决定在该最后阶段尝试新治疗类型。例如,医师可能决定尝试质子治疗,例如,由于质子设施可用。再次,剂量师可能使用几个小时以生成新计划。并且,该岗位随后将估计什么是可能实现的。因此,是个漫长的过程。
因此,期望提供允许医师早点确定应当继续什么类型的治疗计划的新工具。
发明内容
系统和方法可以向用户提供备选治疗策略用于评价。例如,估计并且向用户呈现治疗计划的质量用于比较和为给定患者选择临床上最好(或以其它方式,最佳)的治疗策略。例如,医师可能注意到,因为使用光子治疗左腮腺不能幸免,所以光子治疗对于特定患者不是良好备选项,或者注意到立体定向放射治疗对于害怕外科手术的患者是良好备选项。
根据一个实施例,患者数据用来确定用于不同治疗类型的不同估计函数的输入值。估计函数分别用来估计用于相应治疗的一个或多个结果值。使用(多个)结果值来确定质量得分。具有最佳质量得分的第一治疗计划被标识,例如,通过显示具有质量得分的治疗计划,其可以与结果值相对应。
其它实施例涉及与本文中所描述的方法相关联的系统和计算机可读介质。
可以参照以下具体实施方式和附图来获得对本发明的实施例的性质和优点的更好理解。
附图说明
图1是放射治疗系统的透视图。
图2是放射治疗系统的侧视图。
图3是根据本发明的实施例的在用于治疗第一患者的肿瘤的多个治疗计划中进行选择的方法300的流程图。
图4示出了根据本发明的实施例的用于估计治疗计划的质量得分的系统400。
图5是根据本发明的实施例的用于创建估计函数的方法500的流程图。
图6是根据本发明的实施例的在创建估计函数中使用剂量预测模型的方法600的流程图。
图7是根据本发明的实施例的用于标识具有最佳质量得分的治疗计划的方法700的流程图。
图8示出了根据本发明的实施例的可与系统和方法一起使用的示例计算机系统800的框图。
定义
“放射”是指用来治疗组织(例如,肿瘤)的任何粒子(例如,光子、电子、质子等)。放射的示例包括高能量x射线、γ射线、电子束和质子束。不同粒子可以与不同类型(策略)的放射治疗相对应。其它治疗类型可以包括化学疗法和外科手术。“治疗体积”是指将遭受放射的整个体积,并且有时被称为“被放射体积”。“靶结构”、“靶体积”和“计划靶体积”(“PTV”)是指旨在接收治疗处方剂量的组织。
“治疗计划”可以包括剂量分布、用于实现用于给定患者的剂量分布的机器参数、和关于给定患者的信息。剂量分布提供关于放射剂量随着位置的变化的信息。“剂量分布”可以采取许多形式,例如,剂量体积直方图(DVH)或剂量矩阵。DVH可以概述图形2D格式的三维(3D)剂量分布,例如,其中,水平轴线是被靶结构(例如,肿瘤)吸收的剂量(例如,灰度单位-Gy)并且水平轴是体积百分比。在差分DVH中,特定剂量处的条(bar)的高度指示接收特定剂量的靶结构的体积。在累积DVH中,特定剂量处的条的高度表示接收大于或等于该剂量的结构的体积。累积DVH通常是曲线(例如,当使用小方柱(bin)尺寸时),而差分DVH通常是不相交条状图。DVH的缺点是:它不提供空间信息;即,DVH没有示出在结构内剂量在哪里被接收。剂量矩阵可以提供身体的每个部位接收到的剂量。
“剂量预测模型”接收患者数据,并且输出被预测为可得到的剂量分布。不同类型的放射治疗可以具有不同模型。患者数据可以包括诊断信息(例如,一般肿瘤位置或阶段信息)和几何信息(例如,患者中的肿瘤和其它器官的空间几何结构)。具体模型可以具有与预测剂量分布相关联的精度(可靠性)。精度可以从剂量分布已经经由其它手段(例如,通过优化成本函数)确定的一组测试治疗计划来确定。例如,精度可以基于模型如何很好地预测通过优化成本函数获得的实际剂量分布来确定。
“估计模型”接收关于患者的输入值,并且提供用于特定治疗类型的结果值。不同治疗类型可以具有不同估计模型,其中,治疗类型可以与具体估计函数相对应。这些估计模型可以从患者的先前治疗计划和结果来确定。对于具体治疗类型,每个结果值可以有对应的估计子函数。估计子函数可以被独立地确定,并且可以独立操作用于确定具体治疗类型的各种结果值。
“结果值”是指指示治疗的预测质量的值,诸如对患者的治疗效果(例如,器官衰竭概率)和从治疗得到的特性(例如,治疗时间)。预测剂量分布可以用来确定结果值,例如,对患者的治疗效果。“质量得分”可以与具体结果值相对应是多个结果值的函数。质量得分可以提供用于比较一个治疗计划与另一个治疗计划的措施。“最佳质量得分”可以是指满足一个或多个准则或比另一个质量得分更好的质量得分。准则的示例是最佳质量得分是大于阈值的任何质量得分。另一示例是具有最高质量得分或处于质量得分的最高N(例如,5)或最高X%(例如,10%)的质量得分。治疗计划和对应的质量得分的列表指示最佳质量得分,给出治疗计划的质量得分之间的对应关系。
具体实施方式
估计模型可以用来从新患者的各种治疗类型中选择治疗计划。可以基于已经针对患者实现的治疗计划和所得的结果来确定估计模型。然后,系统可以使用估计模型来预测什么是用于患者的合适的治疗计划(例如,最好的或满足准则)。可以满怀信心地选择治疗计划,并且可以生成治疗计划。因此,可以提供用于选择治疗策略的决定支持工具。
作为示例,支持工具可以具有用于不同治疗类型的多个模型。比如,可以生成用于光子放射治疗的一个模型(函数)。并且,可以生成用于另一类型的放射治疗(例如,用于重离子的质子)的另一模型。其它治疗计划可以包括化学治疗和外科手术。进一步的治疗策略可以包括不同的治疗策略的组合。这些治疗策略中的每个治疗策略可以具有估计用于与治疗策略相对应的治疗计划的结果值的它们自己的模型。
I.治疗
实施例可以用来在用于各种治疗类型(策略)的治疗计划中进行选择。搜索甚至可能尝试组织成具体类别,例如,放射治疗,其具有该类别内的几个治疗类型。治疗类型的一些示例描述如下。
A.放射系统
图1和图2描绘了可以结合本发明使用的类型的放射疗法系统。参照图1,示出了放射疗法系统(在这种情况下,线性加速器)的透视图。通常情况下,这样的系统能够生成电子(粒子)束或x射线(光子)束用于治疗台35上的患者的放射疗法治疗。其它放射疗法系统能够生成重离子粒子,诸如质子。出于本讨论的目的,仅对x射线放射进行了讨论。然而,本领域技术人员应当理解,同样的原理也适用于其它系统。
支架10支撑具有治疗头30的可旋转台架20。紧邻支架10布置有控制单元(未示出),其包括用于控制加速器的不同操作模式的操作电子装置。高压源设置在支架内或台架中,以向定位在位于台架20中的加速器导引件20上的电子枪(未示出)供给电压。从电子枪发射的电子进入到其中它们被加速的导引件(未示出)。源供给RF(微波)功率用于在波导内生成电场。从电子枪发射的电子通过电场在波导中被加速,并且退出波导作为高能量电子束,典型地以兆伏能量。电子束然后撞击合适的金属靶,从而沿前向方向发射高能量x射线。
现在参照图2,示出了可以结合本发明使用的该类型的放射疗法系统的稍微更详细的侧视图。示出了躺在治疗台35上的患者P。如上所述的所形成的X射线是从发散射束104中的治疗头30中的靶发射的。通常情况下,垂直于图1B中的页面的患者平面116被定位在距离x射线源或靶大约1米处,并且台架20的轴线位于平面116上,使得当台架20被旋转时,靶和等中心点178之间的距离保持恒定。等中心点178处于患者平面116和射束122的中心轴之间的交叉点。待被放射的治疗体积位于等中心点周围。
“夹爪”(未示出)或x射线准直器包括x射线阻断材料,被定位在头30中以限定x射线束在患者平面处的宽度。通常情况下,夹爪可移动,并且当完全打开时,限定患者平面116处的40cm×40cm的最大射束。多叶准直器(“MLC”)(图1B中未示出)被定位在头30的出口处,以进一步成形x射线束。自1990年引入,MLC已经成为大多数放射治疗系统的标准特征。由本发明的受让人出售的当前MLC使用高达可以在系统软件的控制下被移入或移出x射线束的120个单独可控叶片,通常情况下时薄钨片。MLC可以用来准直x射线以从不同角度提供肿瘤的保形治疗(“3D保形”)以及强度调制放射疗法(“IMRT”),由此不同的放射剂量被递送到治疗区的不同部分。接近x射线束的路径中的等中心点的治疗体积(即,放射体积)由夹爪、头部的角度和MLC限定。在IMRT中,MLC的叶片被移动,使得治疗体积包括治疗过程期间暴露的总体积。在弧疗法中,在放射被递送的同时,移动台架。
现代放射疗法技术牵涉到使用被设计成使用所需剂量的x射线(或其它放射)来放射通常与肿瘤相对应的所需的靶体积的治疗计划。大多数治疗计划牵涉到使用MLC来提供保形和/或强度调制放射。一般来说,治疗计划包括:使用所计算的剂量的x射线来放射治疗体积的一个或多个所选择的部分,并且经常牵涉到从在弧疗法的情况下可以在台架转动的同时被传递的多个不同角度放射治疗区。各种治疗计划软件和其它工具可用于开发特定治疗计划,并且已知用于创建这种计划的各种技术的细节,并且将在下文进一步进行详细描述。再次,一般来说,在治疗计划被创建之后,部分通过控制入射角和MLC的叶片来实施,以允许所需的放射剂量从选定角度到达治疗体积的选定部分,或在台架转动的同时。在最简单类型的治疗计划中,MLC被调整以从单个角度提供特定位点的静态保形放射。在更复杂的计划中,叶片被移入放射之间的不同位置中或者在放射期间移入不同位置中。MLC的叶片可以被迭代移入不同位置中,而射束关闭,伴随有移动之间的放射(使得叶片在x射线发射期间是静止的),或者它们可以在“滑动窗口”中的放射期间或其它可变孔径技术期间连续地被移动。如上所指出的,与MLC的使用相关联的保形和IMRT技术的重要方面是能够在使递送到邻近的健康组织的剂量最小化被的同时向靶体积提供所需剂量的放射。
如在以上背景技术部分中更详细描述的,已经开发了几个技术以创建用于IMRT或保形放射疗法的治疗计划,一般而言,这些技术目的在于解决确定角度、放射剂量和MLC叶片移动的最佳组合的“逆”问题以在最小化健康组织的放射的同时,向靶提供所需的总放射剂量。这个逆问题对于开发弧疗法计划更加复杂,其中,台架在放射靶体积的同时,处于运动。迄今为止,放射肿瘤医师或其它医疗专业人员(诸如医学物理学家和剂量师)已经使用可用算法中的其中一个算法来开发并且优化治疗计划。通常情况下,这种计划开始于关于靶肿瘤和关于任何附近组织结构的体积信息。例如,这样的信息可以包括由医师规定的以接收具有容许公差的一定治疗放射剂量的计划靶体积(“PTV”)的映射,诸如前列腺肿瘤。关于附近组织的体积信息可以包括例如患者的膀胱、脊髓和直肠的映射,其每个可以被视为可以仅接收低得多的最大规定量的放射而没有损坏风险的有风险器官。体积信息与由医疗专业人员设置的所规定的剂量限值和类似目标一起是用于计算优化后的剂量分布和治疗计划以递送它的基础。体积信息可以例如减少到考虑这样计划中固有的各种权衡的相对重要性和对于计划必须满足在医学上是可接受的或在物理上的可能的约束的目标函数或品质因数。
治疗计划算法可以考虑与它们一起使用的特定放射疗法系统的能力。例如,放射射束的类型、能量水平和通量,以及MLC的能力。一般来说,治疗计划算法通过计算由治疗体积中的每个体素接收的放射剂量、调整一个或多个可变系统参数(诸如放射角度或MLC叶片的位置)、然后重新计算由每个体素接收的剂量来进行。理想地迭代地执行该过程直到达到优化后的计划为止。然而,执行每次迭代的大量计算所需的时间量对可以被执行的迭代的数目设置实际限制。因此,算法在预先确定的时间量之后、预先确定的迭代数目之后、或者达到其它一些实际限制之后终止。一般来说,在可用于治疗计划的不同算法的精度和速度之间存在折衷。
B.其它治疗
如上文所描述的,有几种与不同粒子类型相对应的不同的放射治疗类型,诸如光子、质子和重离子。放射治疗类型还可能取决于如何提供放射,例如,作为外部射束放射或作为内部放射(近距离放射治疗)。其它类型的治疗包括化学疗法和外科手术。
作为用于化学疗法的示例,可以有根据多种已知和未知特性(诸如癌症的类型和阶段、癌性细胞的基因组谱图)具有不同效力的以及对患者产生不同类型的不良影响的多种(例如,几十种)药物可用。为了使化学疗法的治疗效果最大化,可以选择最有效药物以及有效剂量(例如,给定的药物的量和治疗时间表)。
作为外科手术的示例,外科手术治疗的特征可以在于在外科手术期间去除的组织的数量,包括什么组织被去除,例如,仅原发肿瘤、原发肿瘤的一部分、原发肿瘤和节点、原发肿瘤和周围健康组织的一部分(诸如整个乳腺去除(乳房切除术)、部分乳腺去除(乳房肿瘤切除术)、去除肺的一部分、去除整个肺(肺切除术))。然后,组织的数量能够影响结果值,诸如副作用、疼痛经验、预计寿命等。肿瘤的尺寸和位置能够影响什么类型的外科手术是可能的。患者的健康指示器可能限制可以被应用并且影响并发症的概率和恢复时间的外科手术的类型。
治疗计划还可以包括多个治疗类型。例如,可以使用组合疗法,其中,放射疗法、化学疗法和外科手术的任何组合被使用。例如,在放射疗法之前或期间应用化学疗法的机制可以使治疗响应更好并且可以使用较低的放射剂量。因此,可以针对具体组的治疗类型来确定估计函数。还可以针对应用不同治疗类型的不同顺序来开发不同治疗计划。
II.基于估计选择治疗计划
实施例可以事先由医师在处方期中使用以在不同策略的治疗计划之间作出决定。例如,可以提供结果值作为估计治疗的总结。可以比较用于不同治疗计划的结果值以选择具有最好的结果值的治疗计划。
图3是根据本发明的实施例的在用于治疗第一患者的肿瘤的多个治疗计划中进行选择的方法300的流程图。可以使用计算机系统完全或部分地实现该方法300,如本文种所描述的其它方法一样。如本文中所描述的,多个治疗计划可以具有各种治疗类型。
在步骤310中,接收关于第一患者的信息。患者信息可以包括诊断信息(例如,一般肿瘤位置或阶段信息)和几何信息(例如,患者中的其它器官和肿瘤的空间几何结构)。可以通过各种通道接收患者数据,例如,患者图像、问卷调查和关于患者的历史信息。下文对关于患者信息的进一步细节进行描述。
在步骤320中,分析信息以确定一组输入值。可以分析患者信息以标识与各种结果相关的特定量化值。所接收的信息可以包括输入值或可以从所接收的信息中导出输入值。该分析实际上可以是统计的。例如,可以分析患者图像以确定肿瘤或其它器官的平均宽度、高度或长度。
在步骤330中,针对多个治疗计划中的每个治疗计划,标识与治疗计划相关联的估计函数。可以使用治疗计划基于其它患者的结果来生成估计函数。示例结果包括预期寿命、5年生存率、缓解率、或无病生存率;器官特定失败概率(例如,腮腺的)等副作用;和由患者报告的寿命指示器质量(例如,主观疼痛程度经验和恢复时间)。
多个治疗计划中的至少两个治疗计划用于不同类型的治疗。例如,一种治疗计划可以用于光子放射,并且另一治疗计划用于化学疗法或外科手术。在一个实施例中,对于每个治疗类型,可以存在一个以上的治疗计划。在各种实现方式中,对于每种治疗类型,可以标识一个估计函数(例如,使用输入值选择与用于特定治疗类型的特定治疗计划相对应的估计函数)或对于治疗类型,可以标识多个估计函数。
在步骤340中,该组输入值和所标识的估计函数用来计算指示用于多个治疗计划中的每个治疗计划的治疗计划的预测质量的一个或多个结果值。该组输入值可以被输入到估计函数,其可以输出所述一个或多个结果值。估计函数可以具有各种形式。例如,估计函数可以是定义结果值的表面的多维函数。在一个实施例中,使用不同估计子函数来确定每个结果值,其中,可以独立计算子函数(例如,每个子函数可以是定义对应的结果值的表面的不同的多维函数)。其它函数形式包括神经网络、贝叶斯网络、分层聚类、和决策树。
在步骤350中,基于用于每个治疗计划的一个或多个结果值来确定质量得分。在一个实施例中,质量得分可以是结果值中的一个、或当只有一个结果值时只是结果值。在另一实施例中,可以从使用特定准则以从结果值确定质量得分的质量得分函数来确定质量得分。例如,可以分析结果值以标识满足一个或多个第一准则(例如,可以要求具体结果值高于阈值)的治疗计划。另外(例如,仅剩满足第一准则的治疗计划)或者单独地,公式可以用于结果值(例如,加权和)以获得质量得分。医师或科学家可以提供任何这样的准则或公式。
在步骤360中,针对用户标识具有最佳质量得分的第一治疗计划。第一治疗计划可以以各种方式标识。例如,可以提供治疗计划和对应的质量得分的列表,其中,标识是通过标识具有得分高于列表中的其它计划的对应的质量得分的第一治疗计划。可替代地,可以突出显示第一治疗计划(例如,仅提供第一治疗计划、使用粗体或其它着色),使得不需要提供对应的质量得分。第一治疗计划的标识可以响应来自用户的请求,其中,请求可以指定用于标识第一治疗计划的准则。比如,用户可以指定他/她正在寻找具有用于具体结果值的最高值的治疗计划。进一步地,最佳质量得分可以与满足具体准则的任何质量得分相对应,并且因此不必是具有最佳值的质量得分。
在步骤370中,生成第一治疗计划。例如,响应于很可能将第一治疗计划标识为很好的治疗计划,用户(例如,医生)能够生成第一治疗计划。在一个方面中,只有在标识第一治疗计划之后,才能生成第一治疗计划。以这种方式,未发生生成第一治疗计划的昂贵成本,直至已知的是第一个治疗计划是很好的候选为止。因此,资源被保存。
第一治疗计划的生成可以涉及进一步的计算,例如,使用优化技术确定用于治疗计划的最佳设置。在美国专利申请号7,801,270中描述了用于针对放射疗法进行优化的示例技术,其通过引入并入。可以在治疗计划的生成中使用输入值和结果值。进一步地,还可以使用从输入值确定的中间值,诸如所预测的剂量分布。
在步骤380中,第一治疗计划用来治疗第一患者。第一患者可以经受治疗由所生成的第一治疗计划规定的时间量。可以跟踪用于第一患者的结果,并且这些结果可以用来修改对应的估计函数。
如果治疗计划实际上被开发,则估计函数可以帮助确定很可能实现的结果值。例如,可以确定是否有可能附近健康器官可以保存。还可以标识一般副作用,然后由医师或系统使用以确定合适的计划。人们或许能够最终定制非选择的治疗到也许稍微更好,但是估计函数可以给出一般哪个比较好的粗略的想法。
III.系统
图4示出了根据本发明实施例的用于估计治疗计划的质量得分的系统400。系统400的所有或部分可以包括在单个计算机或多个计算机中。注意,系统400可能不包括患者。
患者分析器402可以接收关于第一患者的患者数据。可以从多种源获得患者数据,例如,所拍摄的第一患者的图像、第一患者提供的用户输入、存储患者数据的数据库、和关于对第一患者执行的其它测试的信息。患者分析器向前直接从拍摄图像的或可以通过其它手段加载的机器接收患者数据。患者分析器402可以分析患者数据以获得输入值,以在估计模型中使用。患者分析器403可以根据规定的规则筛选患者数据以标识特定信息,并且可以对数据(例如,图像)执行计算以获得患者的物理特性(例如,肿瘤大小和两个其它器官的相对位置)。
估计器410可以使用输入值来估计用于不同治疗计划405的结果值。可以存储(例如,和本地存储器、硬盘驱动器或外部数据库)关于可能的治疗计划405的信息用于由估计器410检索。估计器410可以检索它们与可能的治疗计划405相对应的估计函数(模型)。在一个实施例中,医生415可以选择估计计算出的治疗计划。
估计器410被示出为使用两个估计函数:一个用于光子放射治疗,一个用于化学疗法治疗。尽管只示出了两个估计函数,但是可以计算用于附加治疗的估计。光子函数420提供了两个结果值:效果结果值426和治疗时间结果值428。下文对效果结果值的示例进行更详细地描述。为了提供这两个结果值,示出了不同的估计子函数。效果子函数422接收输入值,并且提供效果结果值。治疗时间子函数424接收输入值,并且提供治疗时间,或变成值。质量得分模块430使用这些结果值来确定光子治疗的质量得分。
同样,化学疗法函数440提供了两个相同的结果值:效果结果值和治疗时间结果值。化学疗法函数440的这两个结果值很可能与光子函数420的两个结果值不同。效果子函数442提供效果结果值446,治疗时间子函数444提供治疗时间结果值448。质量得分模块450使用这些结果值来确定化学疗法治疗的质量得分。
如所示出的,效果子函数422可以直接输出结果值,而不是仅仅向模块430提供值。其它子函数当然可以提供对应的结果值。在一个实施例中,具体结果值可以直接用作对应的治疗计划的质量得分。
医生415可以提供用于确定各种估计函数的质量得分的准则460。准则460可以包括各种信息,诸如所需的治疗和/或住院时间、机器和/或人员的可用性的时间、和其它准则。每个准则可以潜在输入作为必须被满足的严格截止、作为排序是准则、或作为具体结果加权。作为示例,可能是质子治疗将在一周后可能有用,或者光子治疗立即可用。作为另一示例,一个治疗可能更昂贵,或花费较长的时间以计划。可以使用该准则做出决定(例如,确定质量得分),用于基于不同准则来标识治疗计划。因此,系统400可以现在进行该光子治疗或一周之后进行质子治疗之间进行评价。可以基于所估计的结果来加权每个治疗计划的优点和缺点。
比较器480可以比较来自两个估计函数的质量得分,并且向用户提供输出。在一个实施例中,响应于用户(其可以是医生415)的请求,执行比较。该请求可以包括准则460。当子函数的结果值被提供给比较器480时,可以执行这样的请求。例如,比较器480可以标识出满足具体标准的结果值,然后基于其它准则来排序治疗计划。比较器480还可以简单地提供具有对应的结果值/质量得分的治疗计划的列表,从而提供最佳质量得分的标识。
在另一实施例中,比较器480可以从模块430和450中的每个模块接收一个质量得分,并且基于所规定的规则执行比较,例如,标识最大质量得分。在各种实施例中,可以经由准则460来完全或部分地提供所规定的规则。可以设置用于规则的结构(或所选择的一个结构),其中,该结构提供了逻辑操作,而不是特定截止值或其它准则。
IV.值
本文中所描述的各种信息包括所述患者数据、估计模型的输入值、和结果值、以及用于使用质量得分标识最佳治疗计划的准则。下文是这种信息的一些示例。
患者数据的示例包括患者尺寸(例如,质量或高度)和肿瘤尺寸、以及患者图像和所需剂量。例如,治疗计划可以开始于(1)治疗体积的图像(例如,来自CT或MRI扫描的切片)和(2)待被递送到治疗体积内的靶(诸如肿瘤)的放射的所需剂量。由医生提供的患者数据或准则还可以包括可以由邻近或靠近肿瘤或其它靶体积的治疗体积内的组织结构(诸如器官)安全地吸收的最大剂量。患者数据的其它示例包括遗传标记/特征、结构(诸如肿瘤或其它组织)的几何信息、患者年龄、身体质量指数(BMI)、患者禁忌指示器、先前治疗、和一般医疗史细节。
如上文所描述的,可以分析患者数据以确定估计函数的输入值。患者数据中的一些或所有可以直接用作输入值,即,无需公式或分析。从数据的公式或分析确定其它输入值。例如,可以通过分析患者图像(例如,通过测量图像中的对象的相对距离)来确定具体几何值。作为另一示例,公式可以用来组合患者数据,以确定输入值,例如,先前治疗的总和或标志有危险的患者的遗传标记的百分比。一个具体输入值是可以基于患者数据使用预测模型确定的预测剂量分布。
结果值的示例包括关于治疗效果和治疗特性的值。治疗效果可以涉及与患者有关的测量的或统计上观察到的生物效应或结果。示例包括预期寿命或无病生存率;器官特异性失败概率(例如,附近器官(诸如腮腺)的)以及其他副作用;和由患者报告的寿命指示器质量(例如,主观疼痛程度经验)。治疗特性可以涉及实际治疗计划本身的各方面,诸如治疗时间、住院时间、恢复时间、资源指示器(例如,机器使用或需要专家)和成本。
V.估计函数
如上文所描述的,可以针对包括不同类型的治疗的不同治疗计划创建估计函数。可以基于已经针对其它患者先前生成的一组计划来训练(确定)估计函数。估计函数可以用作模型的一部分,以确定用于具体患者的最佳治疗计划。
A.创建
图5是根据本发明的实施例的用于创建估计函数的方法500的流程图。方法500可以用来确定输出单个结果值的具体的估计子函数,或者可以用来确定提供用于具体治疗类型的多个结果值的更一般估计函数。可以由客户端计算机(例如,用户直接与其交互)或者服务器计算机(例如,其与客户端计算机通信)或两者的组合来执行方法500。
在步骤510中,接收用于使用第一治疗类型治疗的先前患者的(多个)结果值。结果值可以是治疗的任何结果,诸如本文中所描述的值。可以直接接收结果值,或者接收该一般结果信息,然后被分析以确定特定结果值。先前患者可以使用不同治疗计划来治疗,但是对于先前患者,治疗类型(例如,质子放射)也是这样。
在步骤520中,接收用于先前患者的患者信息。患者信息可以具有与上文所描述的类型相同的类型。例如,患者信息可以包括患者图像、一般物理特点(诸如年龄和体重)和病史。这样的患者信息可以从由医疗机构维护的数据库收集。因此,估计函数可以基于用于特定协议的实际测量/统计(由早期患者病例记录的)。
在步骤530中,标识某些患者信息和结果值之间的相关性。可以确定相关性,例如,使用统计分析。例如,可以确定不同患者信息是否产生不同结果值,并且这种改变是否是统计上显著的。例如,年龄增长可以与某些结果中的统计上显著的下降相关。不同结果值可以与不同患者信息相关。
在步骤540中,确定与相关的患者信息相对应的输入变量。输入变量可以简单地是特定患者信息,诸如年龄或身体质量指数(BMI)。在其它实施例中,输入变量可以是不同患者数据的组合。在一个实现方式中,可以选择示出了最高相关性的输入变量用于创建估计函数。以这种方式,更好估计可以通过标识对结果值影响最大的输入变量来获得。
在步骤550中,绘制用于每个先前患者的输入值和结果值的数据点。可以通过计算机在内部执行数据绘制作为聚类或拟合过程的一部分。每个输入变量可以被认为是不同维度,而不同输入值沿着该维度与不同点相对应。绘制可以是定义输入值之间的相对距离的任何机制。对于一些输入变量,任何两个不同输入值之间的相对距离可以被认为是相同的(例如,三个不同值中的任何两个之间的距离可以被认为是具有相同距离)。
在步骤560中,计算输入值和结果值之间的映射函数。每个结果值可以具有不同映射函数,其与不同估计子函数相对应。给定特定组的输入值,映射函数提供结果值。映射函数可以是多维曲面图。输入值可以被映射到输出值,例如,通过使用聚类、相关性和函数拟合方法。在一个实施例中,映射函数的计算是由服务器执行。
作为示例,具有可变系数的指定函数形式(例如,多项式)可以拟合到输入值,以便提供任何输入值的具体结果值。可以使用函数形式(诸如多项式、指数或周期函数)。拟合过程可以使用最小二乘法过程或其它合适的技术。当输入变量和结果的值是连续的或至少具有许多可能值时,这种拟合过程可能有用。
作为另一示例,聚类可以用来标识某些输入值与相同的结果值相对应。当结果值是离散值时,这种聚类技术可能有用,其可能在离散值之间没有良好定义的距离。函数形式(诸如神经网络)可以用于这种聚类。
针对不同治疗类型,方法500可以重复进行,并且针对不同治疗类型内的不同类别的治疗计划,可以重复进行。一旦估计函数已经被创建,就可以用来基于用于新患者的新输入值来估计用于新患者的结果值。
B.使用预测模型作为估计模型内的中间函数
在一些实施例中,剂量预测模型可以用作中间函数,例如,通过患者分析器402以确定输入值(例如,剂量输入值)。例如,可以预测放射剂量,然后系统可以从放射剂量来估计治疗计划可能伴随什么种类的副作用。在一个实施例中,剂量预测模型可以预测光子治疗、质子治疗或重离子治疗的剂量值直方图(DVH)。对应的预测模型可以用于其它治疗,例如,化学疗法可以从体内的药物来确定剂量。
图6是根据本发明的实施例的用于在创建估计函数中使用剂量预测模型的方法600的流程图。方法600可以与本文中所描述的其它方法结合使用,还如用于组合其它方法的情况一样。在一个实施例中,方法600可以通过患者分析器402执行。
在步骤610中,剂量预测模型用来基于先前患者的输入值来获得预测剂量分布。如同时提交的题为“AutomaticCreationAndSelectionofDosePredictionModelsForTreatmentPlans”美国专利申请中描述的,可以确定并且使用剂量预测模型。患者输入值可以与用来直接确定估计函数的输入值相同或不同。
在步骤620中,从剂量分布确定剂量(多个)输入值。剂量输入值的示例是由剂量分布获得的统计值。可以使用从剂量分布确定的任何项(例如,统计项)。例如,可以使用第一阶项,诸如最大剂量、平均剂量、中间剂量、最小剂量、特定体积百分比的剂量、和特定剂量的体积百分比。第一阶项(例如,标准偏差、偏斜度、和峰态)的第二阶项或更高阶项是其它示例。其它示例包括在主分量(即,主分量得分)上的DVH的投影。
在步骤630中,确定(多个)剂量输入值以及可能的其它输入值与用于先前患者的结果值之间的映射(估计)函数。可以根据方法500所描述的确定映射函数,除了另外或自行地使用现在使用的(多个)剂量输入值之外。其他输入值可以与在步骤610中使用的输入值相同或不同。
预测剂量分布可以帮助估计结果值。例如,存在关于接受剂量水平的临床数据和建议。该数据可以基于在对特定剂量水平达到特定体积分数之后器官具有高失败风险的知识。进一步地,系统可以收集数据作为当这些种类的治疗已经被应用时,已经观察到什么种类的副作用,其可能包括某些结果的可能性有多大的统计分析。因此,剂量分布可以用来确定预期结果和器官衰竭概率。然而,可以在没有预测剂量分布的情况下来确定估计模型。
在步骤640中,接收用于新患者的新输入值。新输入值可以与在步骤610中使用的相同分类的输入值相对应。可以从关于新患者的日期来确定新输入值。
在步骤650中,使用剂量预测模型和新输入值来确定(多个)新剂量输入值。可以以与步骤610类似的方式使用剂量预测模型以确定用于新患者的预测剂量分布,其可以被用来确定新剂量输入值。可以以与步骤620类似的方式推导新剂量输入值。例如,可以以与步骤620中的统计值相同的方式计算新患者的预测剂量分布的统计值(例如,两者均是使用相同的公式计算的平均值)。
在步骤660中,映射(估计)函数用来基于(多个)新剂量输入值以及可能新输入值来确定用于新患者的(多个)估计结果值。在一些实施例中,可能只有(多个)新剂量输入值用作估计函数的输入。如果使用其它输入值,则可以使用与用来确定剂量输入值的输入值相同或不同的输入值。因此,对于新患者来说,系统可以生成估计结果值。例如,结果值可以是治疗之后腮腺没有运作良好的30%机会的指示。
一个以上的剂量预测模型可以用于不同器官。例如,可以预测用于脊柱、腮腺、和靶、甚至其它器官(诸如肺)和其它重要器官的剂量水平的剂量直方图。这些预测模型可以独立地进行操作以获得由同一估计函数使用的不同剂量输入值。
治疗的其它特征(诸如分次、化学疗法和外科手术)也影响并发症概率。这些其它治疗还可以具有中间函数。例如,可以预测给定药物的预测剂量。该剂量可以用作估计函数的剂量输入值,以确定估计作为用于给定药物的预测剂量函数的肿瘤控制(收缩或其它物理响应)和/或副作用概率。质量得分可以是可以针对任何治疗类型实现的具体预后计算,其使用这些结果值。对于外科手术而言,预测模型可以预测待被去除的组织的数量,其可以用作剂量输入值以估计副作用的概率,例如,基于患者的健康指示器和其它输入数据。
VI.结果值和质量得分的用途
如上文所描述的,单独的估计函数可以用于不同治疗计划以获得用于不同治疗计划的质量得分。在一个实施例中,医师可以基于质量得分决定哪一个基于估计是最好的或者合适的模型。医师如何决定可以以各种方式来完成,并且可以包括:向系统提供准则(例如,在结果值已经被确定之后作为请求或作为输入)。例如,医师可以查看各种结果值来做出确定。在其它实施例中,系统可以使用准则以输出特定治疗计划。无论如何,系统可以经由结果值指示具有最佳得分的治疗,例如,通过输出结果值或通过经由公式组合结果值以提供组合后的质量得分。
比较质量得分的一个实施例是要产生预期结果值报告,然后由人类专家进行评估。不同治疗可以通过选择多个排序滤波器中的其中一个排序滤波器进行排序,例如,预期寿命的顺序,并且排除住院时间大于1周的治疗。另一示例是要通过肿瘤控制概率进行排序,并且忽略腮腺效果(例如,腮腺已经损坏的患者)。可以呈现满足准则的治疗计划的结果值(或更复杂质量得分),例如,为了医生做出进行一种计划的决定。在这种实例下,该系统仍然标识最佳计划,例如,经由分类。比如,逻辑可以考虑治疗时间,例如,一小部分可能花费多久、整个治疗可能花费多久,然后医师可以基于这些因素决定。
作为示例,患者可能患有头部和颈部癌症,然后该系统能够生成用于质子治疗和光子治疗(可能不同种类的光子治疗)的估计。用于光子治疗的估计可能指示可能保存左腮腺(唾液腺),但无法保存右腮腺。并且,用于质子治疗的估计可能指示可能使用该治疗计划来保存两个腮腺(指示可以经由词语、百分比等)。以这种方式,最佳治疗计划可以经由用于保存腮腺的估计结果值来指示。
在另一实施例中,系统可以特别提出了治疗计划。该系统可以提供提出计划的自动评估(例如,使用由用户提供的或经由设置为默认的准则)和治疗计划被标识的原因(例如,能够保存腮腺)。如果对于一些患者而言治疗时间长是最差的,则准则可以是治疗时间少于指定数量,或者基于估计治疗时间简单地进行排序。例如,如果是肺癌患者,则他们在治疗周期内保持静止可能非常困难,并且治疗时间短可能非常重要。其它患者能够花费长治疗时间,因此准则可以改变。因此,该系统可以基于由医生提供的准则来加权益处。
图7是根据本发明的实施例的用于标识具有最佳质量得分的治疗计划的方法700的流程图。方法700可以使用用户的准则以标识具有最佳质量得分的治疗。
在步骤710中,接收用于不同治疗计划的多组结果值。可以从不同估计函数确定每一组结果值。而且,组内的结果值中的每一个结果值都可以使用不同估计子函数进行确定。不同的治疗计划分别用于不同类型的治疗。
在步骤720中,从用户接收用于标识最佳质量得分的准则。该准则可以在任何时间被接收。例如,该准则可以在向用户显示这些组的结果值之后被接收。在另一实施例中,用户可以在向用户显示任何数据之前指定结果值以供质量得分函数(例如,模块430和450)使用。该准则可以以各种方式被指定。例如,准则可以包括公式和/或某些结果值所需的特定阈值。
在步骤730中,标识具有满足阈值准则的结果值的治疗计划。如上文所指出的,一些实施例可以具有要求某些结果值超过阈值的准则。该要求可以是结果值低于或高于阈值。可以指定用于不同结果值的多个阈值。进一步地,可以针对不同结果值指定不同的阈值组合。例如,当可以要求第一结果值高于第一阈值时。然而,如果第一结果值是低于第一阈值但是高于或等于阈值的值,则治疗计划在第二结果值高于第二阈值时可以满足约束。
在步骤740中,一个或多个质量得分使用剩余准则被分配到每个治疗计划。作为示例,剩余准则可以是用于计算质量得分的公式。可以确定多种质量得分,分别使用不同准则。公式的示例包括质量得分的加权平均值,其中,不同质量得分可以使用不同权重。假设位置与相应的治疗计划相对应,可以显示或以其它方式使用一个或多个质量得分来输出治疗计划。
在步骤750中,治疗计划可以由指定质量得分进行排序。例如,用户可以指定具体质量得分(其可以等于具体结果值)是最重要的,因此,治疗计划要基于该指定质量得分进行排序。例如,医生可能想标识具有最短治疗时间的治疗计划。
质量得分可以针对特定病例总结用于治疗的整体质量。例如,如果特定患者的腮腺已经被损坏或去除,则对其的附加放射损伤不那么重要。还有,可能存在其它患者特定考虑。患者可以有使一些副作用很难存在的另一种医疗条件。作为另一示例,患者可能有使双耳听觉或双眼视觉变得重要的职业。
VII.电脑系统
本文中所提及的任何计算机系统可以利用任何合适数目的子系统。这种子系统的示例在图8中示于计算机装置800中。在一些实施例中,计算机系统包括单个计算机装置,其中,子系统可以是计算机装置的组件。在其它实施例中,计算机系统可以包括具有内部组件的多个计算机装置,每个都是子系统。
图8中所示的子系统经由系统总线875互连。示出了附加子系统(诸如打印机874、键盘878、(多个)存储设备879、耦合到显示器适配器882的监视器876以及其它)。耦合到I/O控制器871的外围设备和输入/输出(I/O)设备可以通过本领域中已知的任何数目的器件(诸如串行端口877)被连接到计算机系统。例如,串行端口877或外部接口881(例如,以太网、Wi-Fi等)可以用来将计算机系统800连接到广域网(诸如因特网)、鼠标输入设备或扫描仪。经由系统总线875的互连允许中央处理器873与每个子系统通信,并且控制来自系统存储器872或(多个)存储设备879(例如,固定磁盘(诸如硬盘驱动器)或光盘)的指令的执行以及子系统之间的信息交换。系统存储器872和/或(多个)存储设备879可以体现计算机可读介质。本文中所提及的任何数据都可以从一个组件输出到另一个组件,并且可以输出给用户。
计算机系统可以包括多个相同的组件或子系统,例如,通过外部接口881或通过内部接口连接在一起。在一些实施例中,计算机系统、子系统或装置可以通过网络通信。在这种实例中,一台计算机可以被认为是客户端和其它计算机的服务器,其中,每个可以是相同的计算机系统的一部分。客户端和服务器可以分别包括多个系统、子系统或组件。
应当理解,任何本发明的实施例可以以模块化或集成方式使用硬件(例如,专用集成电路或现场可编程门阵列)和/或使用具有通常可编程处理器的计算机软件以控制逻辑的形式来实现。如本文中所使用的,处理器包括相同的集成芯片上的多核处理器、或单个电路板上或联网的多个处理单元。基于本文中所提供的公开内容和教导,本领域普通技术人员将知道和理解用来使用硬件以及硬件和软件的组合实现本发明的实施例的其它方式和/或方法。
在本申请中描述的任何软件组件或功能可以被实现为由处理器使用任何合适的计算机语言(诸如例如使用常规的或面向对象的技术的Java、C++或Perl)来执行的软件代码。软件代码可以作为一系列指令或命令被存储在计算机可读介质上用于存储和/或传输,合适的介质包括随机存取存储器(RAM)、只读存储器(ROM)、磁性介质(诸如硬盘驱动器或软盘)或光学介质(诸如光盘(CD)或DVD(数字多功能盘)、闪存等)。计算机可读介质可以是这种存储或传输设备的任何组合。
还可以使用载波信号来编码和传送这种程序,该载波信号被适配于经由符合各种协议的包括因特网的有线、光学和/或无线网络来传输。这样,根据本发明的实施例的计算机可读介质可以使用用这种程序编码的数据信号来创建。用程序码编码的计算机可读介质可以与兼容设备一起封装或从其它设备分开提供(例如,经由因特网下载)。任何这样的计算机可读介质可以驻留在单个计算机产品(例如,硬盘驱动器、CD或整个计算机系统)上或内,并且可以存在于系统或网络内的不同的计算机产品上或内。计算机系统可以包括监视器、打印机或其它合适的显示器,用于向用户提供本文中所提及的任何结果。
本文中所描述的任何方法可以全部或部分使用包括一个或多个处理器的计算机系统执行,其可以被配置成执行步骤。因此,实施例可以涉及被配置成执行本文中所描述的任何方法的步骤的计算机系统,可能具有执行相应的步骤或相应的步骤组的不同组件。尽管被呈现为编号步骤,但是本文中的方法步骤均可以在相同的时间或以不同的顺序执行。附加地,这些步骤的部分可能与来自其它方法的其它步骤的部分一起使用。还有,步骤的全部或部分可以是任选的。附加地,任何方法的任何步骤可以使用用于执行这些步骤的模块、电路或其它装置来执行。
具体实施例的特定细节可以在不脱离本发明的实施例的精神和范围的情况下以任何合适的方式进行组合。然而,本发明的其它实施例可以涉及与每个单独方面有关的特定实施例或者这些单独方面的特定实施例。
出于说明和描述的目的,已经对本发明的示例性实施例进行了描述。并非旨在其是穷尽的或将本发明限制于所描述的精确形式,并且根据上述教导可进行许多修改和变化。选择并且阐述实施例以便最好地解释本发明的原理及其实际应用,从而使本领域技术人员能够以适合于所涵盖的特定应用的各种实施例及各种修改来最好地利用本发明。
“一”、“一个”或“所述”的叙述旨在意味着“一个或多个”,除非特别相反指出。
出于所有目的,本文中所提及的所有专利、专利申请、出版物和描述通过引用并入以其整体并入。没有任何内容被承认是现有技术。
Claims (15)
1.一种在用于治疗第一患者的肿瘤的多个治疗计划中进行选择的方法,所述方法包括:
接收关于所述第一患者的信息;
通过计算机系统分析所述信息以确定一组输入值;
对于所述多个治疗计划中的每个治疗计划:
标识与所述治疗计划相关联的估计函数,所述估计函数基于使用所述治疗计划的其它患者的结果来生成,
由所述计算机系统使用具有所标识的估计函数的所述一组输入值来计算指示所述治疗计划的预测质量的一个或多个结果值,和
基于所述一个或多个结果值来确定质量得分,其中,所述多个治疗计划中的至少两个治疗计划是用于不同类型的治疗;以及
由所述计算机系统标识针对所述计算机系统的用户具有最佳质量得分的第一治疗计划。
2.根据权利要求1所述的方法,还包括:
生成所述第一治疗计划。
3.根据权利要求2所述的方法,还包括:
使用所述第一治疗计划来治疗所述第一患者。
4.根据权利要求1所述的方法,还包括:
通过所述计算机系统来比较所述治疗计划的所述质量得分以标识具有所述最佳质量得分的所述第一治疗计划。
5.根据权利要求1所述的方法,其中,计算第一结果值包括:
基于所述一组输入值来预测剂量分布;和
使用所预测的剂量分布来确定所述第一结果值。
6.根据权利要求1所述的方法,还包括:
通过以下各项来创建与第一治疗类型的第一治疗计划相关联的第一估计函数:
接收用于使用所述第一治疗类型治疗的先前患者的先前结果值;
接收用于所述先前患者的先前输入值;
绘制所述输入值和一个或多个先前结果值的数据点;
使用所述数据点之间的距离来计算所述第一估计函数。
7.根据权利要求6所述的方法,其中,计算所述第一估计函数包括:聚类所述数据点或执行所述数据点的函数拟合。
8.根据权利要求1所述的方法,其中,标识所述第一治疗计划包括:
输出具有对应的质量得分的所述治疗计划。
9.根据权利要求1所述的方法,其中,所述治疗计划包括化学疗法和外科手术。
10.根据权利要求1所述的方法,其中,从相应的估计函数中的每个估计函数中计算多个结果值,所述方法还包括:
对于每个治疗计划:
使用质量函数从所述多个结果值确定所述质量得分。
11.根据权利要求10所述的方法,进一步包括:
基于由所述计算机系统的所述用户提供的准则来确定所述质量函数。
12.根据权利要求10所述的方法,其中,每个结果值由相应的估计子函数来确定。
13.根据权利要求1所述的方法,其中,所述质量得分是所述结果值中的一个结果值。
14.根据权利要求13所述的方法,其中,标识所述第一治疗计划包括:
响应于来自所述用户的准则对所述质量得分进行排序。
15.一种计算机产品,包括存储多个指令的计算机可读介质,所述指令当被执行时,控制计算机系统在用于治疗第一患者的肿瘤的多个治疗计划中进行选择,所述指令包括:
接收关于所述第一患者的信息;
分析所述信息以确定一组输入值;
对于所述多个治疗计划中的每个治疗计划:
标识与所述治疗计划相关联的估计函数,所述估计函数基于使用所述治疗计划的其它患者的结果来生成,
使用具有所标识的估计函数的所述一组输入值来计算指示所述治疗计划的预测质量的一个或多个结果值,和
基于所述一个或多个结果值来确定质量得分,其中,所述多个治疗计划中的至少两个治疗计划是用于不同类型的治疗;以及
标识针对所述计算机系统的用户的具有最佳质量得分的第一治疗计划。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/040,479 US10762167B2 (en) | 2013-09-27 | 2013-09-27 | Decision support tool for choosing treatment plans |
US14/040,479 | 2013-09-27 | ||
PCT/IB2014/064936 WO2015044924A1 (en) | 2013-09-27 | 2014-09-29 | Decision support tool for choosing treatment plans |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105765586A true CN105765586A (zh) | 2016-07-13 |
CN105765586B CN105765586B (zh) | 2020-04-17 |
Family
ID=51846738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480064034.5A Active CN105765586B (zh) | 2013-09-27 | 2014-09-29 | 用于选择治疗计划的决定支持工具 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10762167B2 (zh) |
EP (1) | EP3049976A1 (zh) |
CN (1) | CN105765586B (zh) |
BR (1) | BR112016006635A2 (zh) |
WO (1) | WO2015044924A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107785068A (zh) * | 2017-11-20 | 2018-03-09 | 深圳市医诺智能科技发展有限公司 | 治疗计划系统与医用加速器的数据传输方法及接口平台 |
CN111243758A (zh) * | 2020-01-08 | 2020-06-05 | 杭州费尔斯通科技有限公司 | 一种应用于具有多次反馈调节特点场景的建模方法 |
CN112714934A (zh) * | 2018-10-15 | 2021-04-27 | 赛多利斯司特蒂姆数据分析公司 | 细胞选择的多变量方法 |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE503419T1 (de) | 2004-02-20 | 2011-04-15 | Univ Florida | System zur verabreichung von konformer strahlungstherapie unter gleichzeitiger abbildung von weichem gewebe |
CN105664378B (zh) | 2009-07-15 | 2019-06-28 | 优瑞技术公司 | 用于使直线性加速器和磁共振成像设备彼此屏蔽的方法和装置 |
CN108452443B (zh) | 2012-10-26 | 2021-05-18 | 优瑞技术公司 | 利用对放射疗法的生理反应的成像对治疗评估的系统 |
US9446263B2 (en) | 2013-03-15 | 2016-09-20 | Viewray Technologies, Inc. | Systems and methods for linear accelerator radiotherapy with magnetic resonance imaging |
CN105473180B (zh) * | 2013-12-20 | 2018-06-08 | 光线搜索实验室公司 | 放射疗法治疗计划的选择 |
US20160117456A1 (en) * | 2014-10-27 | 2016-04-28 | International Business Machines Corporation | Criteria Conditional Override Based on Patient Information and Supporting Evidence |
EP3221004B1 (en) * | 2014-11-21 | 2021-09-15 | The Regents of the University of California | Three-dimensional radiotherapy dose distribution prediction |
EP3103519B1 (en) * | 2015-06-12 | 2021-06-02 | RaySearch Laboratories AB | A method, a computer program product and a computer system for radiotherapy optimization |
US10252081B2 (en) * | 2015-09-25 | 2019-04-09 | Varian Medical Systems International Ag | Apparatus and method using automatic generation of a base dose |
US10558785B2 (en) | 2016-01-27 | 2020-02-11 | International Business Machines Corporation | Variable list based caching of patient information for evaluation of patient rules |
US10528702B2 (en) | 2016-02-02 | 2020-01-07 | International Business Machines Corporation | Multi-modal communication with patients based on historical analysis |
US10565309B2 (en) | 2016-02-17 | 2020-02-18 | International Business Machines Corporation | Interpreting the meaning of clinical values in electronic medical records |
US11037658B2 (en) | 2016-02-17 | 2021-06-15 | International Business Machines Corporation | Clinical condition based cohort identification and evaluation |
US10395330B2 (en) | 2016-02-17 | 2019-08-27 | International Business Machines Corporation | Evaluating vendor communications for accuracy and quality |
US10437957B2 (en) | 2016-02-17 | 2019-10-08 | International Business Machines Corporation | Driving patient campaign based on trend patterns in patient registry information |
US10937526B2 (en) | 2016-02-17 | 2021-03-02 | International Business Machines Corporation | Cognitive evaluation of assessment questions and answers to determine patient characteristics |
US10685089B2 (en) | 2016-02-17 | 2020-06-16 | International Business Machines Corporation | Modifying patient communications based on simulation of vendor communications |
EP3423153B1 (en) | 2016-03-02 | 2021-05-19 | ViewRay Technologies, Inc. | Particle therapy with magnetic resonance imaging |
US10311388B2 (en) | 2016-03-22 | 2019-06-04 | International Business Machines Corporation | Optimization of patient care team based on correlation of patient characteristics and care provider characteristics |
US10923231B2 (en) | 2016-03-23 | 2021-02-16 | International Business Machines Corporation | Dynamic selection and sequencing of healthcare assessments for patients |
US10307615B2 (en) * | 2016-09-19 | 2019-06-04 | Varian Medical Systems International Ag | Optimization of radiation treatment plans for optimal treatment time in external-beam radiation treatments |
US10639501B2 (en) | 2016-09-23 | 2020-05-05 | Varian Medical Systems International Ag | Creating treatment field using initial field and patient specific geometry and achievable dose |
BR112019012061A2 (pt) | 2016-12-13 | 2019-11-12 | Viewray Tech Inc | sistemas e métodos de terapia de radiação |
US20180272066A1 (en) * | 2017-03-24 | 2018-09-27 | Medtronic Minimed, Inc. | Patient management systems and adherence recommendation methods |
EP3395405B1 (en) * | 2017-04-24 | 2021-10-13 | RaySearch Laboratories AB | System and method for radiation therapy treatment planning |
EP3654976A1 (en) * | 2017-07-21 | 2020-05-27 | Varian Medical Systems, Inc. | Methods of use of ultra-high dose rate radiation and therapeutic agents |
WO2019027924A1 (en) * | 2017-07-30 | 2019-02-07 | Icahn School Of Medicine At Mount Sinai | DEEP PLANNING RADIATION THERAPY SYSTEM AND METHOD |
CN111712298B (zh) * | 2017-12-06 | 2023-04-04 | 优瑞技术公司 | 放射疗法系统 |
US11209509B2 (en) | 2018-05-16 | 2021-12-28 | Viewray Technologies, Inc. | Resistive electromagnet systems and methods |
US10786687B2 (en) * | 2018-09-28 | 2020-09-29 | Varian Medical Systems, Inc | Method and apparatus for performing irradiation time optimization for intensity modulated proton therapy during treatment planning while maintaining acceptable irradiation plan quality |
US11806551B2 (en) * | 2018-11-29 | 2023-11-07 | The Board Of Trustees Of The Leland Stanford Junior University | Dosimetric features-driven machine learning model for DVHs/dose prediction |
US20220180979A1 (en) * | 2019-03-15 | 2022-06-09 | 3M Innovative Properties Company | Adaptive clinical trials |
US11724126B2 (en) * | 2019-06-21 | 2023-08-15 | Varian Medical Systems, Inc. | Methods and systems for quality-aware continuous learning for radiotherapy treatment planning |
US11654299B2 (en) * | 2020-07-02 | 2023-05-23 | Siemens Healthineers International Ag | Methods and apparatus pertaining to radiation treatment plans |
US11830586B2 (en) | 2020-12-08 | 2023-11-28 | Kyndryl, Inc. | Enhancement of patient outcome forecasting |
EP4068295A1 (en) * | 2021-03-29 | 2022-10-05 | Siemens Healthcare GmbH | Clinical decision support system for estimating drug-related treatment optimization concerning inflammatory diseases |
US20230136747A1 (en) * | 2021-10-29 | 2023-05-04 | Cerner Innovation, Inc. | Method and system to determine, track, and mitigate specific phobia stimulation for a patient within healthcare setup |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101421736A (zh) * | 2006-04-17 | 2009-04-29 | 美国西门子医疗解决公司 | 在医疗计划中的个性化预后建模 |
US20100204920A1 (en) * | 2005-04-25 | 2010-08-12 | Caduceus Information Systems Inc. | System for development of individualised treatment regimens |
CA2813643A1 (en) * | 2010-10-06 | 2012-04-12 | Thomas G. Purdie | Methods and systems for automated planning of radiation therapy |
US20130085343A1 (en) * | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030177039A1 (en) | 2002-02-13 | 2003-09-18 | Nicholas Joseph A. | Method of outsourcing IMRT services |
US20050131738A1 (en) | 2002-05-15 | 2005-06-16 | Morris Tommy J. | System and method for handling medical information |
US7844560B2 (en) | 2006-04-17 | 2010-11-30 | Siemens Medical Solutions Usa, Inc. | Personalized prognosis modeling in medical treatment planning |
US8085899B2 (en) | 2007-12-12 | 2011-12-27 | Varian Medical Systems International Ag | Treatment planning system and method for radiotherapy |
US8121858B2 (en) | 2008-03-24 | 2012-02-21 | International Business Machines Corporation | Optimizing pharmaceutical treatment plans across multiple dimensions |
US20090299766A1 (en) | 2008-05-30 | 2009-12-03 | International Business Machines Corporation | System and method for optimizing medical treatment planning and support in difficult situations subject to multiple constraints and uncertainties |
US7801270B2 (en) | 2008-06-19 | 2010-09-21 | Varian Medical Systems International Ag | Treatment plan optimization method for radiation therapy |
US7809107B2 (en) | 2008-06-30 | 2010-10-05 | Varian Medical Systems International Ag | Method for controlling modulation strength in radiation therapy |
US7796731B2 (en) | 2008-08-22 | 2010-09-14 | Varian Medical Systems International Ag | Leaf sequencing algorithm for moving targets |
US7817778B2 (en) | 2008-08-29 | 2010-10-19 | Varian Medical Systems International Ag | Interactive treatment plan optimization for radiation therapy |
US8175892B2 (en) | 2009-05-26 | 2012-05-08 | Agile Planet Inc. | System and method for radiation therapy imaging and treatment workflow scheduling and optimization |
US11562323B2 (en) | 2009-10-01 | 2023-01-24 | DecisionQ Corporation | Application of bayesian networks to patient screening and treatment |
US8009804B2 (en) | 2009-10-20 | 2011-08-30 | Varian Medical Systems International Ag | Dose calculation method for multiple fields |
US8331532B2 (en) | 2010-02-18 | 2012-12-11 | Varian Medical Systems International Ag | Method and system for treating moving target |
CA2805713C (en) * | 2010-07-16 | 2023-08-15 | Navya Network, Inc. | Treatment related quantitative decision engine |
WO2012024448A2 (en) * | 2010-08-17 | 2012-02-23 | Board Of Regents, The University Of Texas System | Automated treatment planning for radiation therapy |
US9679110B2 (en) | 2011-06-03 | 2017-06-13 | Washington University | Developing predictive dose-volume relationships for a radiotherapy treatment |
US8774358B2 (en) | 2011-09-28 | 2014-07-08 | Varian Medical Systems, Inc. | Radiation therapy treatment plan improvement through use of knowledge base |
-
2013
- 2013-09-27 US US14/040,479 patent/US10762167B2/en active Active
-
2014
- 2014-09-29 CN CN201480064034.5A patent/CN105765586B/zh active Active
- 2014-09-29 BR BR112016006635A patent/BR112016006635A2/pt not_active Application Discontinuation
- 2014-09-29 EP EP14793309.7A patent/EP3049976A1/en not_active Ceased
- 2014-09-29 WO PCT/IB2014/064936 patent/WO2015044924A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100204920A1 (en) * | 2005-04-25 | 2010-08-12 | Caduceus Information Systems Inc. | System for development of individualised treatment regimens |
CN101421736A (zh) * | 2006-04-17 | 2009-04-29 | 美国西门子医疗解决公司 | 在医疗计划中的个性化预后建模 |
CA2813643A1 (en) * | 2010-10-06 | 2012-04-12 | Thomas G. Purdie | Methods and systems for automated planning of radiation therapy |
US20130085343A1 (en) * | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
Non-Patent Citations (1)
Title |
---|
林果为 等: "《现代临床流行病学》", 29 February 2000, 复旦大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107785068A (zh) * | 2017-11-20 | 2018-03-09 | 深圳市医诺智能科技发展有限公司 | 治疗计划系统与医用加速器的数据传输方法及接口平台 |
CN107785068B (zh) * | 2017-11-20 | 2021-04-23 | 深圳市医诺智能科技发展有限公司 | 治疗计划系统与医用加速器的数据传输方法及接口平台 |
CN112714934A (zh) * | 2018-10-15 | 2021-04-27 | 赛多利斯司特蒂姆数据分析公司 | 细胞选择的多变量方法 |
CN112714934B (zh) * | 2018-10-15 | 2024-05-10 | 赛多利斯司特蒂姆数据分析公司 | 细胞选择的多变量方法 |
CN111243758A (zh) * | 2020-01-08 | 2020-06-05 | 杭州费尔斯通科技有限公司 | 一种应用于具有多次反馈调节特点场景的建模方法 |
Also Published As
Publication number | Publication date |
---|---|
US20150095044A1 (en) | 2015-04-02 |
BR112016006635A2 (pt) | 2017-08-01 |
US10762167B2 (en) | 2020-09-01 |
CN105765586B (zh) | 2020-04-17 |
EP3049976A1 (en) | 2016-08-03 |
WO2015044924A1 (en) | 2015-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105765586A (zh) | 用于选择治疗计划的决定支持工具 | |
Paganetti et al. | Roadmap: proton therapy physics and biology | |
CN110114117B (zh) | 用于辐射治疗计划的计算机系统和计算机产品 | |
Ahmed et al. | A method for a priori estimation of best feasible DVH for organs‐at‐risk: validation for head and neck VMAT planning | |
US9827445B2 (en) | Automatic creation and selection of dose prediction models for treatment plans | |
CN110960805B (zh) | 对强度调制质子疗法执行照射时间优化的方法和装置 | |
CN109982748A (zh) | 在外部射束放射治疗中控制在治疗靶标之外的剂量分布并使所述剂量分布成形 | |
CN109529203A (zh) | 使用多准则最佳化和渐进最佳化方案的vmat治疗计划 | |
Buschmann et al. | Automated volumetric modulated arc therapy planning for whole pelvic prostate radiotherapy | |
JP2016511117A (ja) | 同位体源外部ビーム放射線治療のためのシステム及び方法 | |
CN113677396B (zh) | 评估放射疗法治疗计划的方法和系统 | |
Hahn et al. | Towards harmonizing clinical linear energy transfer (LET) reporting in proton radiotherapy: a European multi-centric study | |
US20180111005A1 (en) | Method of selecting beam geometries | |
Yang et al. | Beam orientation optimization for intensity-modulated radiation therapy using mixed integer programming | |
EP3791401A1 (en) | Systems and methods for planning, controlling and/or delivering radiotherapy and radiosurgery using combined optimization of dynamic axes (coda) | |
MacDonald et al. | Toward the combined optimization of dynamic axes (CODA) for stereotactic radiotherapy and radiosurgery using fixed couch trajectories | |
Morris et al. | Field‐in‐field breast planning for a jawless, double‐stack MLC LINAC using flattening‐filter‐free beams | |
Tozuka et al. | Improvement of deep learning prediction model in patient‐specific QA for VMAT with MLC leaf position map and patient's dose distribution | |
Zhang et al. | Optimization of gamma knife treatment planning via guided evolutionary simulated annealing | |
MacDonald et al. | Intra‐arc binary collimation algorithm for the optimization of stereotactic radiotherapy treatment of multiple metastases with multiple prescriptions | |
Van Dyk et al. | Has the use of computers in radiation therapy improved the accuracy in radiation dose delivery? | |
Rocha et al. | Direct search applied to beam angle optimization in radiotherapy design | |
Gilling | A GATE Monte Carlo dose analysis from Varian XI conebeam computed tomography | |
Renaud | Mixed electron-photon radiation therapy treatment planning and delivery | |
Rocha et al. | On the optimization of radiation therapy planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |